[发明专利]一种基于曲率特征递归神经网络的三维目标识别方法

说明书

本发明涉及图像识别技术，为了有效地刻画三维目标在不同视角下的特征，针对三维目标识别过程中存在的图像噪声问题，提出了一种基于曲率特征递归神经网络的三维目标识别方法。首先，本发明通过计算目标三维模型的局部平均高斯曲率和平均均值曲率得出目标三维模型的联合曲率，并通过提取联合曲率局部极大值构成三维模型的曲率草图，利用透射投影变换生成360°二维图像序列作为训练递归神经网络的输入；其次，利用双向递归神经网络(BRNN)作为三维模型多视角序列特征学习方法，在softmax层利用softmax函数求得正确概率最大的识别类别。本发明能够自动提取三维目标与二维图像的共同特征，能够在图像噪声条件下保持较好的鲁棒性和较高的目标识别率。

技术领域

本发明涉及图像识别技术领域，具体地说是一种基于曲率特征递归神经网络的三维目标识别方法。

背景技术

三维目标识别是指从任意给定的二维图像场景中自动检测、定位、识别出指定目标模式的过程，是计算机视觉研究的关键问题之一。随着计算机视觉技术的不断发展，三维目标识别越来越广泛地应用于工业检测、增强现实和医学影像等领域。但是，由于受到光照变化、图像噪声和目标遮挡等因素的影响，难以提取三维目标及其在不同视角下二维图像的共同特征，成为三维目标识别亟待解决的问题。

三维目标识别的关键是找到三维目标模型的二维表达，提取三维目标和二维图像的共同特征。现有的三维目标识别方法主要包括基于人工标记点的方法、基于几何特征的方法和基于深度学习的方法等。基于人工标记点的方法需要人工初始化二维图像中的特征点，由于需要人工交互，所以此类方法不具有可重复性；基于几何特征的方法通过提取目标的中线骨架、轮廓形状等信息实现目标识别，但是此类方法在图像存在噪声的情况下识别效果较差；基于深度学习的方法利用深度神经网络将低水平的图像特征融合成带有语义信息的高水平特征，能够很好地解决三维目标识别过程中二维图像的图像噪声问题，但是通常使用的深度卷积神经网络无法表达序列属性，不能有效地刻画三维目标在不同视角下的特征。因此，亟需提出一种在不同视角图像中对图像噪声问题鲁棒的自动化三维目标识别方法。

发明内容

本发明目的是能够更有效地刻画三维目标在不同视角下的特征，降低特征提取过程对图像噪声的敏感程度，提高三维目标识别准确率，本发明提出一种基于曲率特征递归神经网络的三维目标识别方法。

本发明为实现上述目的所采用的技术方案是：一种基于曲率特征递归神经网络的三维目标识别方法，包括以下步骤：

步骤1：计算目标三维模型的联合曲率提取联合曲率的局部极大值构成三维模型的曲率草图R_Sketch；再对三维模型的曲率草图R_Sketch利用透射投影变换生成360°二维图像P_m，其中m＝1,2,...,360；

步骤2：将360°二维图像输入BRNN，利用多角度特征进行学习计算其在多视角下的序列属性；在softmax层利用softmax函数求得序列属性的正确概率最大时的识别类别；所述BRNN为双向递归神经网络。

所述计算目标三维模型的联合曲率包括以下步骤：

设是目标三维模型R上给定一点(x,y,z)的法向量；令则p_x,p_y,q_x,q_y定义为

计算三维模型R上每一点的法向量周围3×3邻域内的平均高斯曲率和平均均值曲率

其中，为平均曲率矩阵，trace(·)是矩阵的迹，分别为p,q,p_x,p_y,q_x,q_y在3×3邻域内的平均值；

定义目标三维模型R的联合曲率为：